光流场是基于光流的变化检测运动目标随时间变化的光流特性。

在实时跟踪系统中，人们最多使用背景差分法和帧间差分法来获得满意的结果。

2.2.2  运动物体跟踪

根据算法过程不同来分类，运动目标的跟踪方法主要分为基于帧内——帧间信息的跟踪和基于图像帧内信息的跟踪两种[1]。

根据运动目标的表达和相似性度量，运动目标跟踪算法可以分为四类：基于主动轮廓的跟踪、基于特征的跟踪、基于区域的跟踪和基于模型的跟踪[1]。

基于主动轮廓跟踪的优点增强了跟踪的可靠性。文献综述

基于特征的跟踪的优点在于能够看到其中一部分的特征，就可以完成跟踪任务。

基于区域的跟踪的优点在于当目标没有一点被遮挡时，跟踪准确度和稳定性非常好。

基于模型的跟踪的优点是不容易受到观测视角的角度的影响，并且具有较强的鲁棒性，模型匹配跟踪准确度高，适合于运动目标跟踪时的目标的各种变化，抗干扰能力强，但是因为计算分析复杂、所以运算速度慢，并且模型的更新较为复杂，实时性较差。找到合适的模型是成功与否的关键。目前团块模型受到了很大的重视，本文也重点研究团块跟踪。

2.2.3  运动物体跟踪系统概述

一个完整的运动目标跟踪系统及过程可分为下面几步：图像预处理、目标检测与分割、目标特征提取与识别、目标运动状态分析与跟踪[1]。

如下图是一个运动目标跟踪系统框图。

图2-1 运动目标跟踪系统框图

(1)图像预处理：是将成像系统所得到的图像进行适当的处理。

 (2)目标检测与分割：目标检测是对目标所在的区域定位；目标分割是将目标从背景中分离出来。

(3)目标特征提取与识别：提取出目标特征，并识别出目标

(4)目标运动状态分析与跟踪：经过目标检测识别后，就可以得到需要跟踪的目标区域，进而计算出图像中目标的形心位置。再处理后可以了解到目标大致的运动轨迹，运动速度和方向等参数数据。根据这些数据，预测下面目标出现的位置，完成跟踪。

2.3  运动物体跟踪算法面临的问题

目前跟踪算法的难题之一是由于在视频数据和实际环境中目标运动的特殊性和复杂性。在动态场景不断改变情况下，如何对目标进行精确图像分割，如何让提高算法鲁棒性和实时性也是一个难以攻克的问题。运动物体的阴影及各个目标之间的相互遮挡，造成目标信息的不完整，也会给目标识别带来困难。总的来说跟踪算法实现的目标跟踪要做到高的鲁棒性，准确性，实时性是目前最大的难题。

3  团块模型

3.1  对于团块的解释

团块指的是图像中具有相同特征的区域，与分割不同，团块提取的目的并不是要分割出物体的具体形状，而是要提取物体的主要特征，而忽略小的细节[2]。

3.2  基于团块的目标建模源.自/优尔·论\文'网·www.youerw.com/

基于团块的目标模型的思想源自于人类视觉系统: 人在观察景物时会首先看到几个较大特征区域, 而忽略小的细节。通过团块提取, 得到能够表示目标的具有显著特征的局部区域, 同时忽略不重要的细节信息, 提高了模型的稳定性。